Objet : Exploration de données et modélisation prédictive@Jeff_Perkinson Je le vois maintenant, merci Jeff & Gail
Objet : Exploration de données et modélisation prédictive@John_K , la vidéo est intégrée dans le post ci-dessus. Vous n'arrivez pas à le voir ?
Objet : Exploration de données et modélisation prédictive@Jason_Wiggins Salut Jason, super sujet, je n'ai pas vu la vidéo de la session ici -- @gail_massari pouvez-vous pointer vers la vidéo de la présentation de Jason s'il vous plaît ?
Exploration de données et modélisation prédictive
Découvrez comment :
- Comprendre l'exemple de rendement de fabrication utilisé dans la démo
- Trouver des modèles
- Utilisez la distribution pour examiner la relation entre les variables et entre les variables et la réponse.
- Utilisez Graph Builder pour examiner toutes les variables, utilisez le glisser-déposer d'icônes pour ajuster les lignes aux données, activez des statistiques telles que le carré R, modifiez le type d'ajustement de manière interactive et ajoutez de la couleur pour mettre en évidence les résultats clés pour les autres.
- Effectuer une modélisation exploratoire
- Utilisez l'analyse multivariée pour voir s'il existe une corrélation entre les variables
- Examinez la matrice de nuages de points et utilisez le filtrage par prédicteur pour trouver des relations significatives.
- Déployez la modélisation prédictive JMP Pro pour gérer les réponses anormales et découvrir les surajustements potentiels.
- Utilisez la régression généralisée pour créer un modèle et segmenter aléatoirement les données en 3 ensembles : l'ensemble d'entraînement estime les paramètres du modèle, l'ensemble de validation évalue la capacité prédictive du modèle en s'améliorant ou se détériorant à mesure que des termes sont ajoutés, l'ensemble de test est exclu de la construction du modèle et donne le résultat final, évaluation indépendante de la capacité prédictive du modèle
- Choisissez l'approche de distribution
- Créez de manière interactive une colonne de validation pour la validation croisée afin d'éviter de surajuster le modèle (surestimation de la capacité prédictive)
- Écran pour plusieurs modèles (nouveau dans JMP Pro 16)
- Utilisez Bootstrap Forest et Boosted Trees (arbres de décision)
- Construisez un modèle de réseau neuronal avec 2 couches et suffisamment de nœuds pour décrire la relation
- Affiner et reconstruire de manière itérative les meilleurs modèles candidats pour améliorer la prévisibilité
- Enregistrer les algorithmes du modèle (codes de score) dans la table de données
Remarque : Les questions et réponses commencent à 38h00.
Le Journal JMP comprend des diapositives PowerPoint, qui sont également jointes sous forme de fichier .pptx.Si vous souhaitez ajouter PowerPoint à vos journaux JMP sous forme de diapositives, voici les instructions : Pour importer des diapositives dans le journal :
- Installer Brady Brady Complément Journal Text Sledgehammer .
- Générer une présentation PowerPoint
- Enregistrer au format .png (ou autre format graphique)
- Ouvrez JMP et sélectionnez Journal Text Sledgehammer dans le menu des compléments.
- Cliquez sur l'onglet Utilitaires
- Cliquez sur Diapositives dans le journal
- Sélectionnez le dossier contenant toutes les diapositives générées automatiquement dans 3 ci-dessus
- Choisissez le format (par exemple, large)
- Enregistrer le journal
Ressources
Des questions pour le présentateur ?Ajoutez un commentaire et mentionnez Jason Higgins en utilisant @Jason_Wiggins .
Des commentaires sur la valeur des questions à la fin ?Ajouter un commentaire pour @gail_massari .
Modélisation prédictive et apprentissage automatique
